学习记忆引导的正常性用于异常检测
计算机视觉与模式识别
2020-03-31 v1
摘要
我们解决异常检测问题，即在视频序列中检测异常事件。基于卷积神经网络（CNNs）的异常检测方法通常利用代理任务（如重建输入视频帧）来学习描述正常性的模型，而在训练时未见异常样本，并在测试时使用重建误差来量化异常程度。这些方法的主要缺点是未显式考虑正常模式的多样性，且 CNNs 强大的表示能力使其能够重建异常视频帧。为解决此问题，我们提出一种无监督异常学习方法，显式考虑正常模式的多样性，同时削弱 CNNs 的表示能力。为此，我们提出使用带有新更新机制的记忆模块，其中记忆中的条目记录正常数据的原型模式。我们还提出新颖的特征紧凑性与分离性损失来训练记忆，提升记忆条目和正常数据深度特征的判别力。在标准基准上的实验结果证明了我们方法的有效性和高效性，其优于当前最优（state of the art）方法。
引用
@article{arxiv.2003.13228,
title = {Learning Memory-guided Normality for Anomaly Detection},
author = {Hyunjong Park and Jongyoun Noh and Bumsub Ham},
journal= {arXiv preprint arXiv:2003.13228},
year = {2020}
}
备注
Accepted to CVPR 2020